线上教学学生学习行为与成效的大数据分析研究

秦晓安 王睿 程鸿芳

摘  要：通过收集在线课程平台上的学生学习状态数据，利用现有的大数据技术先对学生的学习行为数据进行聚类分析，然后与学习成效之间关联分析研究，最后将分析结果可视化处理，找出在线教学中存在的问题并提出可行的建议，为提高在线教学的质量提供参考。

关键词：线上教学;学习行为;学习成效;大数据

中图分类号：G712          文献标识码：A           文章编号：1671-9255（2020）03-0068-04

一、研究背景

随着移动开发技术、物联网技术、云计算、大数据、人工智能的普及和深入，在线教育得到快速发展。2013年，美国哈佛大学等全球名校跨越MOOC，使用 SPOC平台进行课程教学。SPOC平台比较注重教学环节的设计，主要功能是向学生用户推送学习资源，帮助教师进行教学管理和课程管理。但是SPOC平台存在以下问题：课程和课程相关资源的推送方式过于单一;未做到以学生为中心，从学生学习的角度推送相关资源，忽视了学生的学习体验;没有给学习者提供一个良好的、适应自身学习特点的学习环境，不符合学生个性化学习的要求等。因此，利用SPOC平台大量的、实时的在线数据进行挖掘和分析学生的学习行为，为教师教学决策、网络课程评估和构建学生学习自适应和个性化学习系统等值得我们进行研究。

目前，国内利用大数据分析SPOC平台的学习行为与学习成效的研究屈指可数。SPOC平台用户学习行为分析的研究存在以下问题：首先，没有从大数据分析的角度关注用户的学习行为与学习习惯;其次，没有根据用户对网络教学平台的使用情况提供与之相对应的学习目标和学习进度计划;再次，没有能够针对不同的用户推送个性化的课程资源;最后，学生的综合成绩往往与实际学习情况存在着一定的偏差。

为了解决这些问题，本文构建了基于大数据技术的SPOC教学平台用户学习行为分析模型，通过分析SPOC平台用户的学习效果、学习态度、知识综合运用能力和沟通交流解决问题的能力，同时运用大数据中数据挖掘等相关技术，发现用户学习行为和学习效果之间的关联关系，最终让SPOC平台向自适应的学习平台方向转变，并且能够以学生为中心，为学生提供个性化的学习空间。

二、大数据分析方法与步骤

（一）线上教学平台用户学习行为数据采集

为了真实有效地获取线上教学平台用户的学习行为数据，我们通过学院SPOC平台近半年来开设的教学课程对学生的学习行为数据采集，主要收集了学生课程访问情况、视频观看情况、作业完成情况、交流讨论情况等四个方面的数据，例如部分班级学生的作业任务完成情况的数据，如表1所示。由于在線教学平台上记录用户学习行为的数据类型不一致，为了防止可能会出现数据偏差和丢失，我们使用自然语言处理技术来对原始数据进行预处理，将经过文本预处理后的数据，以结构化的形式存储在数据库中，便于后续的分析和处理。[1]

（二）线上教学平台学生行为数据聚类分析

把在线学习平台搜集的学生行为数据存储到数据库中，利用数据挖掘技术抽取学习者特征信息和课程特征信息，对学习者进行聚类分析，规划出学习者的学习类型，将班级的学生进行分类。利用大数据技术将班级所有学生的学习行为进行分类，有助于教师了解班级的整体学习状况，可以针对不同的学习者类型选择不同的教学方法、推送不同的学习资源等。具体聚类分析流程如图1所示。[2]首先，将在线平台学习者所学课程的相关数据信息备份成为历史数据库，进行学习行为分析和课程历史数据挖掘，同时与历史数据库中挖掘的信息一并进行学习者普适特征、课程普适特征、学习者特征信

息和课程信息的聚类分析，生成分析模型。其次，教师或管理者根据学习行为特点和学习预测结果，通过个性化学习推荐引擎做个性化学习推荐或个性化干预。最后，得出学生学习效果的评价意见。

（三）线上教学平台用户行为数据与学习成效关联分析

学习成效的关联分析主要是指根据线上教学平台用户的行为数据来分析学习者成效。利用大数据技术分析学习者在过往课程、在学课程上的表现，例如出勤、任务完成率、任务正确率等，归纳出学习者整体的学习成效以及存在的问题，并确定以后的改进方向。本文主要通过平台数据记录中的学生课程页面访问情况、视频观看情况、作业完成情况、讨论情况等四个方面与平时作业及格率、视频任务完成率及最终考核通过率之间进行关联分析。教师可以根据学习成效的分析对学习者学习的策略、方法、知识点进行推送;学习者可以根据平台的评价，调整学习的策略，完善学习的不足，改正学习存在的缺点。同时，班级的老师也能了解到学生学习效果的评价，从而调整授课方式方法。根据前面的聚类分析，教师可以将同类的学习者分到同一个小组，在班级形成不同的学习群体，采用不同的项目、不同的授课方法，因材施教。

（四）线上教学平台用户行为数据分析结果的可视化

数据可视化的第一个优点就是动作更快，这是因为人脑对视觉信息的处理要比书面信息容易得多。使用图表来总结复杂的数据，可以确保对关系的理解要比那些混乱的报告或电子表格更快。第二个优点是具有建设性的意见成果。使用大数据可视化工具可以使我们能够用一些简短的图形就能传递复杂信息，甚至单个图形也能做到。教师和学生可以通过交互元素，轻松地了解各种不同的数据源信息的含义。第三个有点是能够方便读者直观地理解数据源信息和行为结果之间的关联。[3]如果学生学习分析成果能快速地反馈给老师和学生，就能快速地调整学习和授课策略，有效地提高教学水平。因此，学习行为数据分析结果采用图表展示，既美观又容易理解。例如学生预习情况的柱形图，如图2所示。

三、研究的内容

本次研究抽取了某职业技术学院7个班级学生一个学期在SPOC平台上的访问情况、视频观看情况、作业完成情况、讨论情况等四个方面来分析学习行为及其与平时作业及格率、视频任务完成率和最终考核通过率之间的相关性。[4]

（一）学习行为

1.课程页面访问情况。学习者访问学习页面是学习的一个重要环节。从平台后台收集的数据显示，7个班级学生的平均页面访问数为33次，其中最高达127次 ，有少部分学习者只注册却从未进入学习页面或页面访问数较低。数据显示的结果表明了学习者学习的积极性不高，并且存在很大的差异性。

2.教学视频观看情况。平台上的学习资源主要以5～10分钟的短视频为主，学习者学习的主要活动是观看教学视频，平均一个课程的视频总时长为172分钟，7个班级所有学生的总观看时长是57354分钟，个人观看时长最长达到1325分钟，最短是15分钟，平均观看时长是164分钟 。从数据上看，绝大部分的学生都能完成视频教学任务，但无法排除有部分学生存在挂机看视频的行为。

3.讨论情况。平台上的学习者讨论主要有两种情况：发表讨论和回复讨论。7个班级的总讨论数为18441次，其中，学生参与最高讨论数为26，最低为0次，平均讨论次数3.6次，平均发表讨论为1.06次，平均回帖次数为2.54次。由数据可以分析得出，回帖的次数多于发帖的次数，在一定程度上说明了学习者学习较被动，主动性还有待提高。

4. 平时作业完成情况。平台上7个班级的总作业数为56个，平均作业数为8个，最多作业数为12，最少的任务数为6个。在7个班级中，任务全完成占总人数的比例最高达到56%，最低为8%;任务完成一半以上占总人数的比例最高为64%，最低为19%;一项任务都没有完成的人数最高达到56%，最低的占到22%。这些数据反映了在学习过程中很大一部分学习者是只加入了课程，并未完成学习任务，学习积极性高的学习者与学习积极性不高的学习者之间存在很大的差别。

（二）学习成效

在研究学生学习成效中，我们抽取了具有代表性的平时作业及格率、视频任务完成率及最终考核通过率情况。在7个班级中，平均平时作业及格率为72%，平均视频任务完成率为88%，平均最终考核通过率为68%。这些数据说明7个班级中的平时作业及格率和视频任务完成率高于最终考核通过率，大部分学习者能够完成相应的课程，但从最终考核通过率来看，学习者的学习成效还不够理想。具体情况如表2所示 。

四、线上教学发现的问题及改进建议

（一）发现的问题

通过对SPOC平台上7个班级的课程页面访问情况、视频观看情况、作业完成情况、讨论情况等四種学习行为数据与体现学习成效的平时作业及格率、视频任务完成率及最终考核通过率进行关联分析以及可视化，发现普遍存在的问题如下：第一，在线课程的任务布置不够合理，没有根据不同层次学生的学习进度相应调整难易程度，有些同学课程作业布置之后，很短时间就全部完成，而有的同学拖到作业任务截止时都没有完成;第二，课程页面访问的积极性不高，有一部分学习者虽然注册了课程但没有或很少学习课程内容，在线教学的过程没能提早对学生进行干预，导致后期学生越学越学不下去[5];第三，学习者学习较被动，主动性还有待提高，有些学生在在线学习过程中出现厌倦情绪。第四，最终考核通过率不高，有些同学未能坚持完成在线教学的各个环节任务。

（二）改进建议

1.合理布置在线课程的任务。所布置的任务可以根据学生层次不同进行分组，同时完善题库建设，设置题目的难易程度，不同小组分配的任务内容难易程度要有所区别，满足不同层次学生学习的需求。

2. 实时地把控学生的学习进度，例如观看视频的百分比、观看是否快进、答题正确率等。随着在线课程推进，不断生成每一个学员学习情况的大数据可视化图表，通过图表详细展示该生在不同阶段的学习情况。遇到有问题的学生，教师可以在阶段任务没有完成之前进行干预，督促学生认真观看视频、认真答题。学生也可以看到自己学习进度的可视化图表，进行自我调整。

3. 充分调动学生学习的积极性和持续性。针对部分学不下去或动力不足的学生，教师能随着课程深入而有张有弛地科学布置课程任务，必要时通过辅导员督促学生。

4. 及时进行学生学习的大数据收集和分析。当一期开课结束，可以对课程进行大数据整体分析，如果有平行班级授课，还可以进行横向关联分析，通过数据分析和可视化，提出建设性意见，以便后期课程继续开设时调整课程计划安排以使更多学生学习取得成效。

参考文献：

[1]王秋红.基于大数据技术的网络教学平台用户行为分析研究[J].电子世界，2019（9）： 64-65.

[2]李敏，陈小莉.大数据环境下的自适应在线学习平台学习分析模型设计[J].科技教育， 2018（6）：169-172.

[3]思迈特Smartbi. 数据分析可视化工具的优点，能给企业带来怎样的好处？[EB/OL].[2020-06-01].https：//blog.csdn.net/Moogical/java/article/details/106468769

[4]危妙，傅霖，黎刚，郭姗姗. Mooc课程平台学习行为与学习成效大数据分析[J].教育教学论坛，2015（9）： 60-61.

[5]何宏，刘洞波，王宁. 基于 SPOC 平台在线学习行为的关联分析[J].科教导刊（电子版），2019（11）：1-3.